Geração de imagens de raios-X do tórax utilizando Latent Diffusion Models

• Ano de defesa: 2024
• Autor(a) principal: Silva, Davide Clode da
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Pontifícia Universidade Católica do Rio Grande do Sul; Escola Politécnica; Brasil; PUCRS; Programa de Pós-Graduação em Ciência da Computação
• Palavras-chave em Português: Foundation Models; Generative Models; Stable Diffusion Model; Latent Diffusion Models; Generative Adversarial Networks; Imagens Sintéticas; Synthetic Images; CIENCIA DA COMPUTACAO::TEORIA DA COMPUTACAO
• Link de acesso: https://tede2.pucrs.br/tede2/handle/tede/11658

A pesquisa em imagens médicas é uma tarefa desafiadora, devido, mas não se limitando, à escassez de imagens médicas. Usualmente, dados reais são usados na realização de simulações. Contudo, diversos fatores limitam a capacidade de utilizar dados de exames médicos. Entre eles, destacam-se a necessidade de proteger informações sensíveis e confidenciais dos pacientes, o custo e a acessibilidade dos equipamentos médicos, além de questões éticas e legais relacionadas ao compartilhamento de dados. Para mitigar esses desafios, a geração de dados sintéticos oferece uma alternativa promissora, permitindo complementar conjuntos de dados de treinamento e realizar pesquisas de imagens médicas em larga escala. Recentemente, Diffusion Models ganharam destaque na comunidade de visão computacional ao produzir imagens sintéticas fotorrealistas. Neste contexto, este trabalho propõe explorar o uso de um tipo específico de Diffusion Models, os Latent Diffusion Models (LDM), na geração de imagens médicas sintéticas a partir de imagens torácicas de alta resolução. Para isso, realizamos um ajuste fino (fine-tuning), no Latent Diffusion Foundation Model, utilizando imagens da National Library of Medicine. Como contribuição, geramos um conjunto de imagens de raios-x do tórax saudáveis de alta resolução e excelente qualidade. Além disso, disponibilizamos essas imagens geradas juntamente com os modelos treinados para serem utilizadas em pesquisas acadêmicas ou no treinamento de outros modelos. Sendo assim, a nossa abordagem oferece potencial para superar a barreira dos dados no domínio médico.